yolov5detect时不绘制检测框

### 解决 YOLOv5 推理时不绘制检测框的方法 在使用 YOLOv5 进行推理时，默认情况下会将检测到的目标边界框以及类别标签绘制在图像上。如果希望禁用此功能，可以通过修改源码或者调整调用参数来实现。 #### 方法一：通过命令行参数控制绘图行为 YOLOv5 的 `detect.py` 脚本支持多种可选参数配置推断过程中的细节。虽然官方并未提供直接用于关闭绘图的功能开关，但可以间接通过设置低置信度阈值或隐藏可视化部分完成目标[^1]： ```bash python detect.py --source path_to_image_or_video --conf-thres 1.0 --save-txt --nosave ``` 上述命令中： - 参数 `--conf-thres 1.0` 将置信度阈值设为最高（即没有任何预测能够达到该标准），从而避免任何检测框被显示； - 参数 `--nosave` 防止保存带有标注的结果图片； - 如果仍需保留原始输入数据而无需额外处理，则可通过附加选项进一步优化流程。 #### 方法二：自定义修改 Detect 类逻辑 另一种更灵活的方式是对模型内部工作流做出更改。具体来说，在文件 `models/common.py` 中定位至类 `Detect` 定义处找到负责渲染的部分并加以改动: ```python def _non_max_suppression(self, prediction, conf_thres=0.25, iou_thres=0.45, classes=None, agnostic=False, multi_label=False, labels=(), max_det=300): """Runs Non-Maximum Suppression (NMS) on inference results""" # ... existing code ... if not draw_boxes_flag: return output # Directly skip plotting step when flag set for si, pred in enumerate(output): # per image if len(pred) == 0: continue det[:, :4] = scale_coords(img.shape[2:], det[:, :4], im0s[si].shape).round() gn = torch.tensor(im0s[si].shape)[[1, 0, 1, 0]] # Normalization gain whwh for *xyxy, conf, cls in reversed(det): c = int(cls) # integer class label = None if hide_labels else ( names[c] if hide_conf else f'{names[c]} {conf:.2f}') plot_one_box(xyxy, im0s[si], label=label, color=colors(c, True), line_thickness=line_thickness) return output ``` 在此基础上新增布尔型变量 `draw_boxes_flag` 控制是否执行实际画框操作。当将其赋值为 False 即停止所有图形化输出[^3]。 #### 方法三：利用 Inferencer 工具简化接口管理 对于高级用户而言，采用统一框架封装不同模型及其对应设定不失为明智之举。例如基于 MMDetection 构建的通用 inferencer 提供了简洁易懂 API 来满足多样化需求[^4]: ```python from mmdet.apis import init_detector, inference_detector config_file = 'configs/yolov5/yolov5_s-voc0712.py' checkpoint_file = 'checkpoints/yolov5_s.pth' model = init_detector(config_file, checkpoint_file, device='cuda:0') result = inference_detector(model, img_path) if isinstance(result, tuple): bbox_result, segm_result = result else: bbox_result = result bboxes = np.vstack(bbox_result) labels = [ np.full(bbox.shape[0], i, dtype=np.int32) for i, bbox in enumerate(bbox_result)] labels = np.concatenate(labels) # No visualization performed here. print(bboxes, labels) ``` 以上脚本仅返回数值形式的结果而不涉及任何形式的画面叠加展示。 --- ###